皮肤病的诊断中,症状类别的判断是治疗的关键。随着计算机和图像处理技术在医学领域的应用,使得建立皮肤图像的智能识别系统成为可能。该系统的核心是皮肤图像的多分类技术。支持向量机作为一种新的通用模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出特有的优势,能够克服神经网络等传统识别方法容易产生过学习和陷入局部极小的问题,已经受到广泛的关注,在医学领域也有较多的应用。由于传统支持向量机是基于二分类问题提出的,在进行多分类时,利用“一对一”或“一对多”的策略将二分类推广至多分类,而在此过程中会出现分类盲区问题。本文研究了支持向量机的算法原理,深入讨论了其多分类实现过程,提出了一种新的基于模糊隶属度函数的多分类算法,并将其应用于皮肤图像的自动识别中,取了得较好的效果。本文的主要工作包括两个方面:(1)皮肤症状图像的特征提取;(2)改进传统支持向量机多分类算法,实现盲区可分。首先,本文利用彩色空间转换,将症状图像从RGB空间转换到HSV空间,并在V域中进行阈值分割,获得症状区域。然后根据皮肤学原理ABCD-rule进行特征计算,提取出症状区域的最大直径、似圆度等17个特征参数。其次,本文以支持向量机构建多分类器进行识别。为解决传统二分类支持向量机在推广至多分类时出现的分类盲区问题,本文引入模糊隶属度函数,根据不同样本对分类贡献的不同,赋以相应的隶属度,实现了盲区可分。实验结果表明,本文提出的模糊支持向量机算法对色素斑痣类皮肤症状的识别是有效的,有利于该类皮肤病的临床诊断。